EP4200735B1 - Erzeugung eines maschinenlernmodells - Google Patents

Erzeugung eines maschinenlernmodells

Info

Publication number
EP4200735B1
EP4200735B1 EP20761904.0A EP20761904A EP4200735B1 EP 4200735 B1 EP4200735 B1 EP 4200735B1 EP 20761904 A EP20761904 A EP 20761904A EP 4200735 B1 EP4200735 B1 EP 4200735B1
Authority
EP
European Patent Office
Prior art keywords
machine learning
entity
network node
data
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
EP20761904.0A
Other languages
English (en)
French (fr)
Other versions
EP4200735A1 (de
Inventor
Marcelo NAHUM
Sobhi SOUEIDAN
Hanine TOUT
Sawsan ABDUL RAHMAN
Chamseddine TALHI
Azzam MOURAD
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Telefonaktiebolaget LM Ericsson AB
Original Assignee
Telefonaktiebolaget LM Ericsson AB
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Telefonaktiebolaget LM Ericsson AB filed Critical Telefonaktiebolaget LM Ericsson AB
Publication of EP4200735A1 publication Critical patent/EP4200735A1/de
Application granted granted Critical
Publication of EP4200735B1 publication Critical patent/EP4200735B1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
    • G06F9/45533—Hypervisors; Virtual machine monitors
    • G06F9/45558—Hypervisor-specific management and integration aspects
    • G06F2009/45595—Network integration; Enabling network access in virtual machine instances

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Claims (15)

  1. Ein Verfahren zum Erzeugen eines Maschinenlernmodells, wobei das Verfahren durch eine Entität (10) durchgeführt wird und das Verfahren Folgendes beinhaltet:
    als Reaktion auf das Empfangen (410, 420, 430) von Modellparametern einer Vielzahl von Maschinenlernmodellen:
    Erzeugen (102, 432) eines Maschinenlernmodells basierend auf den Modellparametern der Vielzahl von Maschinenlernmodellen,
    wobei jedes der Vielzahl von Maschinenlernmodellen durch einen anderen Netzwerkknoten (20a, 20b, 20c) einer Gruppe (302) von Netzwerkknoten einer Netzwerkfunktionsvirtualisierungsarchitektur, NFV-Architektur, basierend auf Daten trainiert wird, die für diesen Netzwerkknoten (20a, 20b, 20c) lokal sind, und wobei jeder Netzwerkknoten (20a) der Gruppe (302) von Netzwerkknoten für eine virtualisierte Netzwerkfunktion, VNF (40a), lokal ist, die mindestens ein Charakteristikum mit einer VNF (40b) gemeinsam hat, die für einen anderen Netzwerkknoten (20b) der Gruppe (302) von Netzwerkknoten lokal ist.
  2. Verfahren gemäß Anspruch 1, wobei:
    die Daten über mindestens eine VNF (40a, 40b, 40c) sind, die für den Netzwerkknoten (20a, 20b, 20c) lokal ist;
    die Entität (10) eine virtualisierte Entität ist und/oder einer oder mehrere der verschiedenen Netzwerkknoten (20a, 20b, 20c) virtualisierte Netzwerkknoten sind; und/oder
    das mindestens eine Charakteristikum eines oder mehrere von einem Verkehrsmuster, einer Anzahl von Teilnehmern und einer Einsatzumgebung beinhaltet.
  3. Verfahren gemäß Anspruch 2, wobei:
    die mindestens eine VNF (40a, 40b, 40c) durch eine oder mehrere virtuelle Maschinen und/oder einen oder mehrere Container gehostet wird.
  4. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei das Verfahren Folgendes beinhaltet:
    Erfassen (410, 420, 430), von den verschiedenen Netzwerkknoten (20a, 20b, 20c), der Modellparameter der jeweiligen Vielzahl von Maschinenlernmodellen;
    Initiieren (434) der Übertragung von Modellparametern des erzeugten Maschinenlernmodells an jeden der verschiedenen Netzwerkknoten (20a, 20b, 20c); und/oder
    Initiieren (400) der Übertragung von Modellparametern eines Basis-Maschinenlernmodells, wobei das Basis-Maschinenlernmodell das Maschinenlernmodell ist, das durch die verschiedenen Netzwerkknoten (20a, 20b, 20c) trainiert wird.
  5. Verfahren gemäß einem der vorhergehenden Ansprüche, wobei:
    die Daten Daten beinhalten, die indikativ für Verkehr in der NFV-Architektur sind; und/oder
    das Erzeugen (102, 432) des Maschinenlernmodells basierend auf den Modellparametern der Vielzahl von Maschinenlernmodellen das Erzeugen des Maschinenlernmodells basierend auf einem Durchschnitt der Modellparameter der Vielzahl von Maschinenlernmodellen beinhaltet.
  6. Eine Entität (10), die konfiguriert ist, um gemäß einem der Ansprüche 1 bis 5 zu arbeiten.
  7. Ein Verfahren zur Verwendung beim Erzeugen eines Maschinenlernmodells, wobei das Verfahren durch einen Netzwerkknoten (20a, 20b, 20c) einer Netzwerkfunktionsvirtualisierungsarchitektur, NFV-Architektur, durchgeführt wird und das Verfahren Folgendes beinhaltet:
    Trainieren (408, 418, 428) eines Maschinenlernmodells basierend auf Daten, die für den Netzwerkknoten (20a, 20b, 20c) lokal sind; und
    Initiieren (202, 410, 420, 430) der Übertragung von Modellparametern des Maschinenlernmodells an eine Entität (10), um es der Entität (10) zu ermöglichen, ein Maschinenlernmodell basierend auf den Modellparametern einer Vielzahl von Maschinenlernmodellen zu erzeugen,
    wobei der Netzwerkknoten (20a) Teil einer Gruppe (302) von Netzwerkknoten (20a, 20b) ist und jedes der Vielzahl von Maschinenlernmodellen durch einen anderen Netzwerkknoten (20a, 20b, 20c) der Gruppe (302) von Netzwerkknoten basierend auf Daten trainiert wird, die für diesen Netzwerkknoten (20a, 20b, 20c) lokal sind, und
    wobei jeder Netzwerkknoten (20a) der Gruppe (302) von Netzwerkknoten für eine virtualisierte Netzwerkfunktion, VNF (40a), lokal ist, die mindestens ein Charakteristikum mit einer VNF (40b) gemeinsam hat, die für einen anderen Netzwerkknoten (20b) der Gruppe (302) von Netzwerkknoten lokal ist.
  8. Verfahren gemäß Anspruch 7, wobei:
    die Daten über mindestens eine VNF (40a, 40b, 40c) sind, die für den Netzwerkknoten (20a, 20b, 20c) lokal ist;
    die Entität (10) eine virtualisierte Entität ist und/oder einer oder mehrere der verschiedenen Netzwerkknoten (20a, 20b, 20c) virtualisierte Netzwerkknoten sind; und/oder
    das mindestens eine Charakteristikum eines oder mehrere von einem Verkehrsmuster, einer Anzahl von Teilnehmern und einer Einsatzumgebung beinhaltet.
  9. Verfahren gemäß Anspruch 8, wobei:
    die mindestens eine VNF (40a, 40b, 40c) durch eine oder mehrere virtuelle Maschinen und/oder einen oder mehrere Container gehostet wird.
  10. Verfahren gemäß einem der Ansprüche 7 bis 9, wobei das Verfahren Folgendes beinhaltet:
    Erfassen (404, 406, 414, 416, 424, 426) der Daten, die für den Netzwerkknoten (20a, 20b, 20c) lokal sind;
    Empfangen (434) von Modellparametern des durch die Entität (10) erzeugten Maschinenlernmodells; und/oder
    Empfangen (400), von der Entität (10), von Modellparametern eines Basis-Maschinenlernmodells, wobei das Trainieren des Maschinenlernmodells das Trainieren des empfangenen Basis-Maschinenlernmodells beinhaltet.
  11. Verfahren gemäß einem der Ansprüche 7 bis 10, wobei:
    ein Betreiberdatenzentrum des Netzwerks, ein Randknoten des Netzwerks, ein Gateway des Netzwerks oder ein Endgerät des Netzwerks den Netzwerkknoten (20a, 20b, 20c) beinhaltet; und/oder
    die Daten Daten beinhalten, die indikativ für Verkehr in der NFV-Architektur sind.
  12. Ein Netzwerkknoten (20a, 20b, 20c), der betreibbar ist, um das Verfahren gemäß einem der Ansprüche 7 bis 11 durchzuführen.
  13. Ein Verfahren, das durch ein System durchgeführt wird, wobei das Verfahren Folgendes beinhaltet:
    das Verfahren gemäß einem der Ansprüche 1 bis 5; und
    das Verfahren gemäß einem der Ansprüche 7 bis 11.
  14. Ein System, das Folgendes beinhaltet:
    die Entität (10) gemäß Anspruch 6; und
    mindestens einen Netzwerkknoten (20a, 20b, 20c) gemäß Anspruch 12.
  15. Ein Computerprogramm, das Anweisungen beinhaltet, die, wenn sie durch eine Verarbeitungsschaltung ausgeführt werden, die Verarbeitungsschaltung veranlassen, das Verfahren gemäß einem der Ansprüche 1 bis 5 und/oder einem der Ansprüche 7 bis 11 durchzuführen.
EP20761904.0A 2020-08-19 2020-08-19 Erzeugung eines maschinenlernmodells Active EP4200735B1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/IB2020/057790 WO2022038397A1 (en) 2020-08-19 2020-08-19 Generating a machine learning model

Publications (2)

Publication Number Publication Date
EP4200735A1 EP4200735A1 (de) 2023-06-28
EP4200735B1 true EP4200735B1 (de) 2026-03-11

Family

ID=72243176

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20761904.0A Active EP4200735B1 (de) 2020-08-19 2020-08-19 Erzeugung eines maschinenlernmodells

Country Status (3)

Country Link
US (1) US20230316135A1 (de)
EP (1) EP4200735B1 (de)
WO (1) WO2022038397A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4285560A1 (de) * 2021-02-01 2023-12-06 Telefonaktiebolaget LM Ericsson (publ) Verfahren und vorrichtung zur auswahl eines maschinenlernmodells zur ausführung in einer ressourcenbeschränkungsumgebung
US20240346365A1 (en) * 2023-04-12 2024-10-17 Jpmorgan Chase Bank, N.A. Systems and methods for deploying artificial intelligence/machine learning models as cloud-native web services

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11144616B2 (en) * 2017-02-22 2021-10-12 Cisco Technology, Inc. Training distributed machine learning with selective data transfers
CN111052155B (zh) * 2017-09-04 2024-04-16 华为技术有限公司 异步梯度平均的分布式随机梯度下降法
US11593634B2 (en) * 2018-06-19 2023-02-28 Adobe Inc. Asynchronously training machine learning models across client devices for adaptive intelligence
US11244242B2 (en) * 2018-09-07 2022-02-08 Intel Corporation Technologies for distributing gradient descent computation in a heterogeneous multi-access edge computing (MEC) networks
US11425111B2 (en) * 2018-11-14 2022-08-23 Intel Corporation Attestation token sharing in edge computing environments
US11700628B2 (en) * 2019-03-11 2023-07-11 Intel Corporation Multi-slice support for MEC-enabled 5G deployments
WO2021158313A1 (en) * 2020-02-03 2021-08-12 Intel Corporation Systems and methods for distributed learning for wireless edge dynamics
US20230177349A1 (en) * 2020-06-01 2023-06-08 Intel Corporation Federated learning optimizations

Also Published As

Publication number Publication date
US20230316135A1 (en) 2023-10-05
EP4200735A1 (de) 2023-06-28
WO2022038397A1 (en) 2022-02-24

Similar Documents

Publication Publication Date Title
US11960976B2 (en) Decomposing tasks through artificial intelligence chaining
US10944776B2 (en) Key performance indicator anomaly detection in telephony networks
EP3072260B1 (de) Verfahren, systeme und computerlesbare medien für einen netzwerkfunktionsvirtualisierungsinformationskonzentrator
Zhang et al. Firework: Data processing and sharing for hybrid cloud-edge analytics
US10827366B2 (en) System and methods for monitoring performance of slices
CN112929187B (zh) 网络切片管理方法、装置和系统
Böhm et al. Cloud-edge orchestration for smart cities: A review of kubernetes-based orchestration architectures
KR102646697B1 (ko) 데이터 통신 최적화 시스템
US20150215228A1 (en) Methods, systems, and computer readable media for a cloud-based virtualization orchestrator
CN109450790B (zh) 一种基于流量感知的网络服务功能链智慧供应方法
Marques et al. Proactive resource management for cloud of services environments
CN120075872B (zh) 一种基于5G的智能随身WiFi流量监控方法及系统
CN119603297A (zh) 一种基于边缘智能物联网的数据实时分析决策系统
CN117715088B (zh) 基于边缘计算的网络切片管理方法、装置、设备及介质
EP4200735B1 (de) Erzeugung eines maschinenlernmodells
CN115499432B (zh) 家庭终端算力资源管理系统及算力资源调度方法
EP2674876A1 (de) Strömungsanalyseverarbeitungsknoten und Strömungsanalysesystem mit Bewusstsein der Netzwerktopologie
CN113839796A (zh) 切片业务处理方法、装置、网络设备和可读存储介质
CN117997777A (zh) 业务路径的优化方法、装置及存储介质
US11595471B1 (en) Method and system for electing a master in a cloud based distributed system using a serverless framework
Faye et al. Videojam: Self-balancing architecture for live video analytics
KR20220115217A (ko) 프라이빗 클라우드 컴퓨팅 보안 맞춤형 추천 시스템
US20260046270A1 (en) Systems and methods for improving data stream continuity with an endpoint mapper updated with predicted addresses of a later-provisioned data-streaming cluster
Hanon et al. Review the deployment and role of broker in IoT platforms
US20260111289A1 (en) Web service resource scaling

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230307

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20251017

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

REG Reference to a national code

Ref country code: CH

Ref legal event code: F10

Free format text: ST27 STATUS EVENT CODE: U-0-0-F10-F00 (AS PROVIDED BY THE NATIONAL OFFICE)

Effective date: 20260311

Ref country code: GB

Ref legal event code: FG4D

REG Reference to a national code

Ref country code: DE

Ref legal event code: R096

Ref document number: 602020068444

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D